| 声明 | 第1-5页 |
| 中文摘要 | 第5-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-26页 |
| 1．1 问题的提出 | 第12-13页 |
| 1．2 过程控制模型系统概述 | 第13-19页 |
| 1．3 人工神经网络和遗传算法的研究 | 第19-20页 |
| 1．4 人工神经网络在轧钢工业中的应用研究现状 | 第20-21页 |
| 1．5 动态变规格控制的发展现状 | 第21-24页 |
| 1．6 本文的主要工作 | 第24-26页 |
| 第二章 动态变规格过程及其数学模型 | 第26-39页 |
| 2．1 动态变规格概述 | 第26-28页 |
| 2．2 动态变规格楔形区过渡段参数的计算 | 第28-29页 |
| 2．2．1 楔形长度 | 第28页 |
| 2．2．2 楔形起点的位置 | 第28-29页 |
| 2．3 动态变规格控制方式 | 第29-32页 |
| 2．4 动态变规格设定模型 | 第32-36页 |
| 2．4．1 线性化增量模型 | 第32-34页 |
| 2．4．2 非线性全量模型 | 第34-36页 |
| 2．5 动态变规格过程 | 第36-38页 |
| 2．5．1 楔形区的分段 | 第36-37页 |
| 2．5．2 厚度设定的变化规律 | 第37页 |
| 2．5．3 速度设定的变换规律 | 第37-38页 |
| 2．5．4 张力设定的变化规律 | 第38页 |
| 2．6 本章小结 | 第38-39页 |
| 第三章 轧制力参数模型的自适应学习 | 第39-50页 |
| 3．1 轧制力显式公式的推导 | 第39-42页 |
| 3．1．1 Bland-Ford-Hill轧制力公式 | 第39-41页 |
| 3．1．2 轧辊压扁公式 | 第41页 |
| 3．1．3 轧制力显式公式的推导 | 第41-42页 |
| 3．2 摩擦系数与变形抗力的实际值计算 | 第42-45页 |
| 3．2．1 前滑模型 | 第43-44页 |
| 3．2．2 摩擦系数与变形抗力的实际值计算 | 第44-45页 |
| 3．3 摩擦系数模型与变形抗力模型的自适应学习 | 第45-49页 |
| 3．3．1 变形抗力模型自适应学习 | 第46-47页 |
| 3．3．2 摩擦系数模型自适应学习 | 第47-49页 |
| 3．4 本章小结 | 第49-50页 |
| 第四章 神经网络在轧制力预设定中的应用 | 第50-79页 |
| 4．1 人工神经网络基本知识 | 第50-54页 |
| 4．1．1 神经网络简介 | 第51-53页 |
| 4．1．2 神经网络的确定 | 第53-54页 |
| 4．2 BP神经网络的数学描述及其学习算法 | 第54-59页 |
| 4．2．1 误差逆传播(BP)校正方法 | 第54-57页 |
| 4．2．2 BP网络的学习规则与计算方法 | 第57-59页 |
| 4．2．2．1 输入模式顺传播 | 第57-58页 |
| 4．2．2．2 输出误差逆传播 | 第58-59页 |
| 4．2．2．3 循环记忆训练 | 第59页 |
| 4．2．2．4 学习结果的判别 | 第59页 |
| 4．3 遗传算法 | 第59-62页 |
| 4．3．1 遗传算法概述 | 第59-60页 |
| 4．3．2 遗传算法的基本原理和方法 | 第60-61页 |
| 4．3．3 实数编码 | 第61-62页 |
| 4．4 BP神经网络和遗传算法的结合 | 第62-63页 |
| 4．4．1 结合的必要性和可行性 | 第62-63页 |
| 4．4．2 GA-BP神经网络的基本原理 | 第63页 |
| 4．5 基于 GA-BP算法神经网络轧制力模型的建立 | 第63-74页 |
| 4．5．1 基于 GA与 BP相结合的算法分析 | 第64-67页 |
| 4．5．1．1 BP网络累计误差计算算法 | 第65页 |
| 4．5．1．2 遗传进化算法 | 第65-66页 |
| 4．5．1．3 误差反向传播训练算法 | 第66-67页 |
| 4．5．2 基于 GA-BP算法神经网络的实现 | 第67-74页 |
| 4．5．2．1 GA-BP神经网络结构的确定和原始数据处理 | 第67-69页 |
| 4．5．2．2 遗传算法设计 | 第69-72页 |
| 4．5．2．3 误差逆传播算法设计 | 第72-74页 |
| 4．6 结果分析 | 第74-78页 |
| 4．7 本章小结 | 第78-79页 |
| 第五章 结论 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85页 |
